Jul, 2018

从单张图像中预测多层深度：揭示物体背后的景深信息

PDF
TL;DR该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。
depth estimationlayered depth imageconvolutional neural networksforeground separation masksscene view synthesis
发现论文，激发创造
  • 基于对象的单图多层场景分解

    本文提出了一种从单张 RGB 图像中建立分层深度图像的方法，其具有自适应层数和语义编码，特别适用于处理遮挡物体的准确性和重建三维场景。

    Aug, 2019

  • 学习深度引导的卷积用于单目 3D 物体检测

    本研究提出了一种新的本地卷积神经网络 (D4LCN)，该网络通过学习基于图像深度映射的过滤器及其响应域，克服了传统 2D 卷积的局限性，缩小了图像表达和 3D 点云之间的差距，显著提高了 3D 物体检测的性能。

    Dec, 2019

  • 单目深度估计卷积神经网络的可视化

    通过对卷积神经网络的可视化，利用优化问题识别最少的图像像素来实现单张图像的深度推断，该方法在室内和室外场景数据集上得到了有效应用，结果有助于探究如何通过卷积神经网络从单张图像中推断深度的问题。

    Apr, 2019

  • 上下文感知分层深度修复的三维摄影

    提出一种将单个 RGB-D 输入图像转换成 3D 照片的方法，其中包含了多层的新视角综合结构，可以补全原始视角中被遮挡区域的缺失的颜色和深度信息，并经验证在各种现实场景中比现有技术实现更少的图像伪影。

    Apr, 2020

  • 单目深度图预测的半监督深度学习

    本文提出了一种半监督学习的深度学习方法，通过稀疏的真实深度数据和直接图像对齐误差来学习单目图像深度地图的预测，实验结果表现出一定的优越性。

    Feb, 2017

  • 单张图像深度估计训练

    使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

    Jan, 2020

  • 利用视觉深度估计的伪 LiDAR：弥合自动驾驶中 3D 目标检测的差距

    本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。

    Dec, 2018

  • 使用多尺度深度网络从单张图片预测深度图

    本文提出了一种新的方法，利用两个深度网络堆栈来解决单张图像深度估计的问题，并应用尺度不变误差来测量深度关系，通过利用原始数据集作为大量训练数据，方法在 NYU Depth 和 KITTI 上实现了最先进的结果。

    Jun, 2014

  • 稀疏到密集：从稀疏深度样本和单幅图像中预测深度

    本文论述了如何通过使用 RGB-D 原始数据，采用单个深度回归网络来学习来自稀疏深度范例的密集深度估计，并研究了样本数量对预测准确性的影响，提出的算法有两个应用：转换稀疏地图为密集地图和 LiDAR 的超分辨率。

    Sep, 2017

  • 半监督对抗式单目深度估计

    本文提出了一种半监督对抗学习框架来解决当仅有有限数量的训练图像 - 深度对时，单目深度估计的问题，并在 NYUD v2 数据集上改进了大部分最先进的模型。

    Aug, 2019